BRETT KUPREL: I'm Brett Kuprel.

私はブレット・キュプレルです

I'd like to tell you about some of the work

スタンフォード大学での

we're doing at Stanford on skin cancer image classification.

皮膚がんの画像分類に関する 取り組みについてお話します

This project has been a collaboration

このプロジェクトは人工知能研究室と 医学部との共同作業となっています

between the Artificial Intelligence

[現状]

Lab and the medical school.

皮膚がんの脅威について

So, let me warm up with some facts

動機付けとなる現状を お話しすることから始めましょう

to motivate the threat of skin cancer.

皮膚がんは米国でもっとも一般的ながんです

It's the most common cancer in the United States.

５人に１人のアメリカ人が 人生のある時点で皮膚がんを発症しています

One in five Americans will develop skin cancer

2017年には8万7千件の 黒色腫の新しい症例があり

at some point in their lifetime.

最悪の型の皮膚がんであるこの黒色腫により

And in 2017, it's estimated that there

約１万人の死者が出ると推定されています

will be 87,000 new cases of melanoma, which

幸い朗報もあります

is the deadliest form of skin cancer,

黒色腫の生存率は 早期発見できれば98%です

and almost 10,000 deaths from it.

また2020年までに

Fortunately, there is good news, there's hope.

61億台のスマートフォンが 世界で流通すると推定されています

The survival rate for melanoma is 98%

この共同作業は２年前に始まりました

if you can detect it early on.

スタンフォード大学のある皮膚科医が

Also, by 2020, it's estimated that there

コンピュータビジョンにおける 近年の飛躍的進歩を見て

will be $6.1 billion smart phones in circulation globally.

人工知能研究室長にメールを送り

So, this collaboration began a couple of years

研究室のプログラムが 数百の犬種を識別できるのであれば

ago when a dermatologist at Stanford

皮膚科学においても 非常に大きな貢献になり得ると伝えました

saw the recent breakthroughs in computer vision.

[データセット]

And he e-mailed the director of the Artificial Intelligence

貢献に向けての最初の段階は データセットの取得でした

Lab.

私達が取得したデータセットは

And he said, if your program can differentiate between hundreds

2000件の疾患に渡る 約13万枚の画像から成るものでした

of dog breeds, I believe it can make a great contribution

医学部との共同で

to dermatology.

画像を整理しました これはその部分集合の分類です

So, the first step to making a contribution

この分類に緑と赤のノードがあります

is acquiring a data set.

緑は安全 赤は危険 黒は致死的

So, we have acquired a data set of almost 130,000 images spread

またどちらにもなり得る オレンジ色のノードもあります

out over 2000 diseases.

明らかに２分類のタスクではありません

We worked with the medical school

次のスライド２枚で 良性病変と悪性病変をお見せしましょう

to clean it up and put it into this nice taxonomy, a subset

こちらは悪性病変です

of which is shown here.

こちらが良性病変です

So, in this taxonomy, you can see green nodes and red nodes.

この２種類を直接見ると

Green is safe, red is dangerous, black is deadly.

視覚的な差異がわかりますが

And there's also some orange nodes,

良性と悪性で非常に似ている病変もあります

which could go either way.

例として緑で強調したものです

It's not clearly a binary task.

データセットを取得したあとの 次の段階はトレーニングでした

So, on the next couple of slides I'll

細かい種類での分類のトレーニングが 良い成績結果を示すのがわかりました

show some benign and malignant lesions.

図を見てください

So here's some malignant lesions.

緑のノードでトレーニングする―

Here's some benign lesions.

実際は700ぐらいのトレーニング数ですが

So, you can kind of see flipping, back and forth,

ともかく緑のものに トレーニングしたと思ってください

a visual distinction.

推論時間で

But there's also some lesions that

ツリーを登り赤のノードに悪化する確率 影響力の等級を総計算します

are very similar between the two, which I highlighted green,

そしてさらに２分類タスクで 病変を区別する場合

for instance.

悪性黒色腫と 双対的に似通った良性病変ー

OK, so now we have a data set, next up is to train it.

黒色腫的な良性病変とを区別する場合

We find that training on finer classes

確率合計を１に正規化します

results in better performance.

これはベイズの定理の条件付き確率に 一致します

So, if you consider the figures shown,

つまり疾患は２分類で ９つの赤ノード全部の１つではありません

if we train on the green nodes, we actually train on more--

[不明瞭] モデルを 微調整することで

like 700 of them-- but just, imagine

最高の成績を得られることがわかりました

we trained on the green ones.

いくつか別のアーキテクチャも試しました

At inference time, we would sum the probabilities

AlexNetとVGG Inceptionの１と３の バージョンでトレーニングしました

up the tree to the red nodes, the classes of interest.

そのうちInception 3が 一番良く機能しました

And then further, if we're interested in a binary task

また空間的変換ネットワークでも 画像変換を試みました

of distinguishing malignant melanoma from its binary

離れた場所から撮影された 病変画像が多かったからです

look alike--

オッカムの剃刀の定理は用いましたが 成績改善は見られませんでした

from its benign look alike, melanistic benign lesions,

だから これは使用しませんでした

we would renormalize the probability sum to 1.

次の段階は評価でした

And this is consistent with Bayes' rule condition

皮膚科医と比較するため ２つの基準を使いました

on the information, that the disease

真陽性率として知られる感度と

is one of two things, not one of all the nine red nodes.

真陰性率として知られる特異度です

So, we found that we got the best performance by fine-tuning

皮膚科医に良性・悪性病変の画像を たくさん見てもらいました

an [INAUDIBLE] pretrain model.

これで感度が計算でき

We tried a few different architectures.

生検を要求された 悪性病変の率がわかりました

We train with AlexNet, VGG Inception, versions one

同様に特異度は

and three.

生検を要求されなかった 良性病変の率です

We found Inception version three worked the best.

生検を病理学者に要求された場合 ほぼ完璧な診断結果でした

We also tried feeding with a spatial transformer network,

ネットワークに対しては

because many of our images have lesions taken from far away.

分類器に悪性の確率を出力しました

We didn't find improved performance,

同じ画像を入力して ご覧の確率を得たと思ってください

and using Occam's Razor, we just didn't use it.

感度は悪性病変の率で 選択しきい値の右となります

So, the next step is evaluation.

同様に特異度は良性病変の率で しきい値の左となります

We used two metrics to compare with dermatologists--

この特定のしきい値の中で 感度の分類器となります

sensitivity, which is known as the true positive rate,

なぜならほぼすべての 悪性病変がしきい値の右にあるからです

and specificity, known as the true negative rate.

このしきい値を変えて 異なった範囲の 感度と特異度の組み合わせを得られます

So, we show the doctors--

そのようにして ３つの異なるタスクに関する結果を得ます

dermatologists-- a bunch of images of benign and malignant

１番目のタスクはもっとも予防可能な 広く行き渡ったタイプの皮膚がんです

lesions.

２番目のタスクは見かけに対して もっとも危険なタイプの皮膚がんです

We can then calculate their sensitivity

３つ目のタスクは ２番目のタスクと同じですが

as the percent of malignant lesions

違いはダーモスコープで撮影された ダーモスコピー画像を使用していることです

they were shown that they ordered a biopsy for.

分極光を照らして組織下層の 病変を見えるようにする特別な装置です

Similarly, the specificity is the percent of benign lesions

ダーモスコピーの方が 難しいと思うかもしれませんが

they were shown that they did not order a biopsy for.

そんなことはありません 完全に異なるセットの病変というだけです

And if they ordered a biopsy, it goes

さらに皮膚科医の成績がこのデータセットでは それほど良くはないとわかりました

to a pathologist, which results in a near-perfect diagnosis.

皮膚科医の成績を見てみましょう

And for a network, we actually, for a classifier,

これはもっとも重要なスライドです

we output a malignant probability.

１つわかるのは線が前のものより ギザギザしていることです

So, imagine we fed the same images through,

理由はこれが私達のテストセットの サブセットだからです

and we got the probabilities as shown.

皮膚科医には重要な仕事がありますが 何千という画像は分類できません

Then the sensitivity would be the percent

それを私達は高速で行えます

of malignant lesions that falls to the right of some chosen

もう１つ気付くことは

threshold.

皮膚科医の成績が 広範囲でさまざまであることです

Similarly, the specificity would be the percent benign lesions

このグラフから 皮膚がんの病変画像の分類において

that lie to the left of the threshold.

私達は 皮膚科医レベルでの成績を達成したと 結論付けられます

And in this particular threshold,

ここに９分類のタスクに関して 混同行列があります

it would be a sensitive classifier,

これらに類似性が見られるのは興味深いです

because almost all malignant lesions lie

１つは 私達が炎症に関する予測を 誤ることが多いことです

to the right of the threshold.

カテゴリーがとても広いからです

And we can vary this threshold to get

もう１つ気付くことは

a whole range of sensitivity and specificity pairs.

皮膚科医は 悪性病変を良性と誤るよりも

So, doing that, we get these results

良性病変を悪性と誤る傾向があることです

on three different tasks.

悪性を良性と誤ると 致命的ミスになり得るからです

So, the first task is the most prevalent type of skin cancer.

このマトリックスから わかります

Second task is the most dangerous type

この分類器のデモを持って来ました

of skin cancer versus its look alike.

これです テキストは読めませんが―

And the third task is the same as the second task,

これが悪性の色素だとわかります

except it's using dermoscopy images, which

もう２つやってみましょう

are taken with a dermoscope.

これは表皮性の悪性病変です

It's a special device that shines polarized light

これで多分良いです

at the lesion to expose underlying layers of tissue.

うまくいきましたね

And you might think that dermoscopy is harder,

私達の業績が高評価を 受けていることは名誉なことです

but, no, it's just a completely different set of lesions.

このプロジェクトを始めた時 アンドレと私が 皮膚病について無知だったけど

And we also see that the dermatologists don't

これは深層学習の精神と いったものだと思います

do as well in that data set.

莫大で十分なデータセットを得て Googleの最新画像分類器に入力し

So, let's see how the dermatologists do.

微調整して あらゆる大変な仕事は任せて

So, this is the most important slide.

手柄を得られるのです

We can see, for one, the line is more jaggedy than the previous,

人口知能研究者として 今は非常に素晴らしいときです

and that's because this is a subset of our test set.

３冊の『ネイチャー』の表紙が 人工知能の躍進を取り上げ

Dermatologists have important things to do.

そのうち２つが Googleでの研究論文でした

They can't just classify thousands of images.

最後に皮膚科学に適用される 人口知能の将来についてお話します

We can do it really fast.

これは他の皮膚疾患にも適用されると思います

Another thing you notice is dermatologists

利便性も高まるでしょう

are actually widely varied in their performance.

皮膚科医の検査を受けられなくても

Anyway, from these plots, we conclude

多くの人がスマートフォンへの アクセスを持つようになるからです

that we have achieved dermatologist level performance

病変を分類するのに より便利になるでしょう

at skin lesion image classification of skin cancer.

利便性が高まることで うまくいけば早期発見につながります

So, here's some confusion matrices on a nine way

早期発見した場合の 生存率も遥かに良くなります

classification task.

ありがとうございました

It's interesting to look at these to see the similarity.

One thing you might notice is that we often

mispredict inflammatory.

It's such a broad category.

Another thing you can notice is that dermatologists

will err on the side of guessing a benign lesion is malignant

than the malignant lesion is benign.

Because that would be a deadly mistake.

And you can see that from this box.

OK, so I brought a demo of this classifier.

So this one-- I can't actually read the text, but--

Yeah, you can see it's malignant pigmented.

Let's do a couple of these.

This one's epidermal malignant.

There, that's probably good.

Don't want to embarrass myself.

So, I just want to say I'm honored at how well received

our work has been.

It's remarkable that Andre and I didn't know anything

about dermatology going into this,

and I think that's kind of the spirit of deep learning.

You can just get a large enough data set

and feed it through Google's latest image classifier.

Fine tune it, let them do all the hard work, take the credit.

And it's just a really amazing time to be an AI researcher,

as evidenced by three covers of "Nature" dedicated

to breakthroughs in artificial intelligence, two of them

here at Google.

I just wanted to comment a little bit on the future of AI

applied to dermatology.

And I think this could also apply to other skin diseases.

But there will be increased access, because a lot of people

might have access to a smartphone who don't

have access to a dermatologist.

Also, it will be more convenient to classify your lesion,

and because it's more convenient,

it will hopefully lead to earlier detection.

And the survival rate is much better

when you detect it early.

Thank you.